論文の概要: TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations

• arxiv url: http://arxiv.org/abs/2601.08659v1
• Date: Tue, 13 Jan 2026 15:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.262386
• Title: TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations
• Title（参考訳）: TRACE:アンサンブルと時間依存シミュレーションにおける再構成に基づく異常検出
• Authors: Hamid Gadirov, Martijn Westra, Steffen Frey,
• Abstract要約: パラメータ化Krmn vortexストリートシミュレーションによるアンサンブルデータの再構成に基づく異常検出について検討した。 個々のフレーム上の2次元オートコーダと,ショートスタックを処理する3次元オートエンコーダを比較した。 2Dモデルは単一時間ステップにおける局所的な空間的不規則性を識別し、3Dモデルは時間的文脈を利用して異常な動きパターンを検出する。
• 参考スコア（独自算出の注目度）: 2.185867802485678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalies in high-dimensional, time-dependent simulation data is challenging due to complex spatial and temporal dynamics. We study reconstruction-based anomaly detection for ensemble data from parameterized Kármán vortex street simulations using convolutional autoencoders. We compare a 2D autoencoder operating on individual frames with a 3D autoencoder that processes short temporal stacks. The 2D model identifies localized spatial irregularities in single time steps, while the 3D model exploits spatio-temporal context to detect anomalous motion patterns and reduces redundant detections across time. We further evaluate volumetric time-dependent data and find that reconstruction errors are strongly influenced by the spatial distribution of mass, with highly concentrated regions yielding larger errors than dispersed configurations. Our results highlight the importance of temporal context for robust anomaly detection in dynamic simulations.
• Abstract（参考訳）: 高次元時間依存シミュレーションデータにおける異常の検出は、複雑な空間的・時間的ダイナミクスのために困難である。 畳み込みオートエンコーダを用いたパラメータ化Kármán vortexストリートシミュレーションによるアンサンブルデータの再構成に基づく異常検出について検討した。 個々のフレームで動作する2次元オートエンコーダと,短時間の時間スタックを処理する3次元オートエンコーダを比較した。 2Dモデルは、単一時間ステップにおける局所的な空間的不規則性を識別し、3Dモデルは時空間的文脈を利用して異常な動きパターンを検出し、時間にわたって冗長な検出を減らす。 さらに,空間的空間分布に強い影響を受け,高濃度領域では分散構成よりも大きな誤差が生じることが確認された。 本研究は,動的シミュレーションにおける強靭な異常検出における時間的文脈の重要性を強調した。

関連論文リスト

• $Δ$t-Mamba3D: A Time-Aware Spatio-Temporal State-Space Model for Breast Cancer Risk Prediction [3.112167541428413]
  縦断的医用画像解析に適応した新しい状態空間アーキテクチャを開発した。 我々のモデルは、不規則なビジット間隔とリッチ・テンポラルコンテキストを同時に符号化する。 その線形複雑さのおかげで、このモデルはマンモグラフィーの長期および複雑な患者のスクリーニング履歴を効率的に処理することができる。
  論文  参考訳（メタデータ） (2025-10-21T18:29:17Z)
• ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection [19.3685780408744]
  正常試料と異常試料の両方が高次元空間に散在する傾向があることを示す実験的検討を行った。 我々は、この分散現象を散乱として定式化し、サンプル表現の平均対距離で定量化する。 我々は,学習した時間的および位相的表現の補完を保証するために,対照的な融合機構を導入する。
  論文  参考訳（メタデータ） (2025-09-29T08:03:03Z)
• STDR: Spatio-Temporal Decoupling for Real-Time Dynamic Scene Rendering [15.873329633980015]
  既存の3DGSに基づく動的再構成法は、しばしばtextbfSTDR(リアルタイムレンダリングのための空間結合デテンポラル)に悩まされる 実時間レンダリングのためのテキストbfSTDR (Spatio-coupling DeTemporal for Real-time rendering) を提案する。
  論文  参考訳（メタデータ） (2025-05-28T14:26:41Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。